iBaatukaay: un projet de base lexicale multilingue contributive sur le web à structure pivot pour les langues africaines notamment sénégalaises. Mouhamadou KHOULE (1), Mathieu Mangeot(3), El hadji Mamadou NGUER(1), Mame Thierno CISSE (2). (1) LANI, Université Gaston Berger, BP 234 Saint Louis, Sénégal (2) ARCIV, Université Cheikh Anta Diop de Dakar, BP 5005 Dakar-Fann, Sénégal (3) LIG, Université de Grenoble Alpes, Saint Martin D’HERES, France. 23ème Conférence sur le Traitement Automatique des Langues Naturelles, Atelier TALAf, Inalco, Paris, 4-8 Juillet 2016

PLAN I.Introduction. II.Présentation du projet iBaatukaay. III.Méthodologie de transformation des données. IV.Conclusion et Perspectives. 2

Introduction Au Sénégal, la reconnaissance des langues nationales est mentionnée dès l’article premier de la constitution du 22 janvier 2001: Français Wolof «La langue officielle de la République du Sénégal est le Français. Les langues nationales sont le Diola, le Malinké, le Pular, le Sérère, le Soninké, le Wolof et toute autre langue nationale qui sera codifiée». 3

Situation actuelle pour les langues d'Afrique  Langues nationales peu dotées en outils de TAL.  Ressources existantes au format papier.  Langues peu ou pas du tout standardisées. 4

Introduction iBaatukaay Le but du projet iBaatukaay : Étude et mise en œuvre d’une base lexicale multilingue de laquelle nous pourrons extraire: des dictionnaires destinés à l’enseignement moyen et secondaire mais aussi produire des dictionnaires bilingues (langue locale-langue étrangère et langue locale 1 - langue locale 2 ). une base pour la constitution de correcteurs orthographiques, de traducteurs automatiques et autres dictionnaires électroniques. 5

Présentation iBaatukaay base lexicale multilingue contributive sur le Web pour les langues africaines notamment sénégalaises. Doit supporter les types d’écriture (Latine et Adjami)[Nguer et al, 2016] collaboratif C'est un projet collaboratif. téléchargeables gratuitement Les données seront téléchargeables gratuitement à travers la plateforme. À cela s’ajoute le fait qu’il n’y a pas souvent de normes définies pour ces langues. 6

Choix des langues du projet 25 langues endogènes 25 langues endogènes cohabitent avec le français, l'anglais, l’arabe et les autres langues étrangères. 3 langues choisis en prioritaire pour le projet ( wolof, Pulaar, ou peul, ou peulh, ou fulfulde et bambara ). 7

Choix des langues du projet LangueNombre de locuteursPays parlées wolof10 MillionsSénégal, Mauritanie et Gambie bambara> 10 MillionsAfrique de l’ouest(Sénégal, Mali, Burkina Fasso..) Pulaar, ou peul, ou peulh, ou fulfulde. > 22 MillionsAfrique de l’ouest (Sénégal, Mali, Guinéé, Niger, Nigéria..) 8

Macrostructure de la base lexicale volumes  Pour rappel un dictionnaire est composé d’un ensemble de volumes. Chaque volume est composé d’un ensemble d’articles. nomenclature du dictionnaire  La liste ordonnée de ces articles constitue la nomenclature du dictionnaire. ordre alphabétique  L’ordre utilisé est généralement l’ ordre alphabétique des mots-vedettes de la langue.  Un article est composé d’un mot-vedette (appelée aussi entrée ou terme) et d’un corps.  La macrostructure  La macrostructure d'un dictionnaire représente l'organisation des volumes du dictionnaire. 9

Macrostructure de la base lexicale  Une architecture pivot basée sur la thèse de Gilles Sérasset (Sérasset, 1994),  Expérimentée à petite échelle dans le projet papillon (Mangeot, 2001).  Chaque langue du projet sera décrite dans un volume monolingue.  Ensuite ces volumes seront reliés entre eux par un volume pivot de liens interlingues appelés acceptions interlingues (axies). 10

Macrostructure iBaatukaay 11

Macrostructure détaillée iBaatukaay 12

Nomenclature des volumes  Chaque article décrit un mot-forme associé à une catégorie grammaticale.  Nous avons décidé de fusionner les vocables homographes de même catégorie grammaticale.  Par exemple, nous ne distinguerons pas de vocables homographes pour le verbe français « voler ». Il sera l'objet d'un seul article. 13

Microstructure des articles 14

Fonctionnement du projet Au début, nous allons procéder à la récupération automatique de ressources existantes au format XML. fichiers Word  Dans le cas où on trouve des fichiers Word, nous adopterons la méthodologie DiLAF (Enguehard et al.2011). dictionnaires imprimés  Si nous trouvons des dictionnaires imprimés nous adopterons la méthodologie jibiki-Cesselin (Mangeot, 2016). nous ne trouvons pas de ressources  Si nous ne trouvons pas de ressources pour une langue donnée, un travail de terrain sera envisagé. 15

Méthodologie de transformation des données 16

Liste des ressources existantes. 17

Le projet de dictionnaire unilingue wolof et bilingue wolof-français de Cissé & al,  Objetifs du projet:  De produire une sortie au format XML pour la réutilisation dans des outils d'ingénierie linguistique, ainsi que des modèles XSL permettant à quiconque de consulter le dictionnaire en ligne ou hors ligne.  D’étudier la faisabilité de la production d'un correcteur orthographique intégré (MySpell / OpenOffice) basé sur le dictionnaire.  Outils utilisé:Toolbox.  Nombre d’entrées générés:

Autres ressources du Wolof 19  un petit corpus sur le Web (60000 mots).  des lexiques du Laboratoire Dynamique du Langage (32000mots).  un analyseur morpho-syntaxique (Dione, 2014)  Une banque terminologique Microsoft.  Un dictionnaire bilingue wolof-français disponible sur glosbe.com.

Le dictionnaire bambara- français du projet DiLAF  Le projet DiLAF (Dictionnaires Langues Africaines -Français) (Enguehard et al., 2011); vise à convertir des dictionnaires éditoriaux bilingues (bambara, haoussa, kanouri, tamajaq, songhai-zarma,wolof)-français  Le dictionnaire éditorial utilisé: bambara-français du Père Charles Bailleul (édition 1996) comportant entrées. 20

Les dictionnaires fulfulde-français, fulfulde- anglais et fulfulde-français-anglais Plusieurs dictionnaires existent et ont été convertis dans le cadre des projets DiLAF et ALFFA. Le tableau suivant donne les caractéristiques de chaque dictionnaire. 21

Les dictionnaires fulfulde-français, fulfulde-anglais et fulfulde-français-anglais Nom du volumeSourceCiblesNombre d’entrées DictionnaireFulNiger_ful_fr a FulFra4526 DictionnaireFulUS_eng_fulEngful9997 DictionnaireFulUS_fra_fulFraful10293 DictionnaireFulUS_ful_fra- eng FulFra eng

Méthodologie de transformation des données Les étapes de conversion sont les suivantes: 1.La préparation: Elle consiste à couper l’entête et le pied de page du volume XML. 2. Le tri des articles du dictionnaire XML selon l'ordre alphabétique. 3. La fusion des vocables homographes et la création des sens de mot équivalents. 4. La conversion de la structure originale vers la structure iBaatukaay 23

Résultats primaires avec les données du wolof en utilisant des scripts PERL ad’hoc 24

« aada » Article « aada » au format d'origine après récupération avec l'outil toolbox 25

« aada » Article « aada » après transformation au format cible. 26

En cours de développement (un outil générique de manipulation de dictionnaire XML).  Ainsi un outil générique de manipulation de dictionnaire XML est en cours de développement.  Cet outil nous permettra d'effectuer des opérations sur un dictionnaire au format XML (préparation, tri, concaténation, fusion, transformation, etc.) en utilisant les pointeurs CDM obtenus avec iPoLex, un entrepôt de bases lexicales disponible avec la plateforme Jibiki (Zhang et al.2014). 27

Mise en ligne des données du wolof avec Jibiki Présentation de la plate-forme jibiki  Jibiki (Mangeot, 2003) est une plate-forme générique en ligne pour manipuler des ressources lexicales avec gestion d'utilisateurs et groupes, consultation de ressources hétérogènes et édition générique d'articles de dictionnaires.  La plate-forme est programmée entièrement en Java, basée sur  projet GDEF de dictionnaire bilingue estonien-français (Chalvin & Mangeot, 2006), du projet MotÀMot (Mangeot, 2009) et du projet DiLAF (Enguehard et al.2011). 28

Mise en ligne des données du Wolof avec Jibiki o Instance iBaatukaay avec Jibiki o Le site du projet est disponible à l’adresse: o Les données du wolof sont mises en ligne. 29

Conclusion et perspectives  Les langues du Sénégal comme la plupart des langues africaines nécessitent d’être outillées pour leur visibilité sur la toile et leur insertion dans le système académique.  D’où le projet iBaatukaay.  Nous nous appuierons sur le CLAD à travers ses étudiants pour la contribution en ligne et la vérification des données, 30

Conclusion et perspectives  Dans nos futurs travaux nous comptons:  terminer l'outil générique de manipulation de dictionnaires au format XML;  ensuite mettre les données sur jibiki en respectant la macrostructure d’iBaatukaay (Architecture pivot);  ouvrir les contributions en ligne;  convertir chaque dictionnaire monolingue au format LMF ( Lexical Marckup Framework );  utiliser l'analyseur morphologique du wolof développé par Cheikh Bamba Dione (2012) comme lemmatiseur pour faire ce qu'on appelle de la lecture active pour le wolof dans le projet iBaatukaay ;  implémenter des analyseurs morphologiques pour le pulaar et les autres langues ; 31

Conclusion et perspectives  utiliser ces analyseurs pour en faire des correcteurs orthographiques;  implémenter des corpus pour chaque langue nationale;  Programmer des outils de traduction automatique. 32

Merci de votre attention 33